연구진은 에너지 함수로 정의된 비정규 분포에서 샘플링하는 새로운 프레임워크인 Flow Sampling을 소개했습니다. 이 프레임워크는 확산 모델과 플로우 매칭을 기반으로 하며, 데이터 샘플 없이도 효율적인 샘플링을 가능하게 합니다. Flow Sampling은 노이즈 샘플에 조건부로 설정되어 에너지 함수에서 구성된 디노이징 확산 드리프트로 회귀합니다.
연구진은 Flow Sampling의 학습 목표가 확산 모델의 목표와 다르다는 점을 강조하며, 에너지 함수 평가 횟수를 최소화하여 효율적이고 확장 가능한 샘플링 방법을 제공합니다. 또한, 이 방법은 리만 다양체로 자연스럽게 확장되어 유클리드 공간을 넘어선 기하학적 샘플링을 가능하게 합니다.
연구진은 합성 에너지 벤치마크, 작은 펩타이드, 대규모 암모티화 분자 컨포머 생성, 구에 지지되는 분포 등 다양한 실험을 통해 Flow Sampling의 우수한 성능을 입증했습니다.